Las dimensiones de calidad de los datos proporcionan un enfoque estructurado para medir la calidad de los datos y evaluar la fiabilidad y la usabilidad de los datos.
Las seis dimensiones principales (precisión, integridad, coherencia, puntualidad, validez y singularidad) ayudan a las organizaciones a mantener la integridad de los datos, evaluar la corrección de los elementos y prevenir problemas de calidad de los datos.
El concepto de dimensiones de calidad de los datos se formalizó en 1996 por los profesores Richard Y. Wang y Diane M. Strong en su artículo “Beyond Accuracy: What Data Quality Means to Data Consumers”, 1 que originalmente identificaba 15 dimensiones. Desde entonces, el concepto ha evolucionado considerablemente sin que exista una norma universal. Sin embargo, de seis a 12 dimensiones básicas siguen siendo las más adoptadas en la práctica.
Una parte crucial de las estrategias de gestión de datos, las dimensiones de calidad de los datos proporcionan a las empresas un marco claro para lograr datos de alta calidad. Al garantizar que los datos cumplen las normas de precisión, integridad, coherencia y otras dimensiones, las organizaciones pueden reducir la ineficacia operativa, mejorar la satisfacción del cliente y mantener el cumplimiento de la normativa.
Los datos de alta calidad también respaldan iniciativas avanzadas como el modelado predictivo, la innovación en inteligencia artificial (IA) y los servicios personalizados, lo que en última instancia impulsa un mejor rendimiento y una ventaja competitiva.
Aunque el número de dimensiones reconocidas de la calidad de los datos varía, seis dimensiones principales continúan adoptándose ampliamente en diferentes sectores. Cada dimensión aborda un aspecto específico de la calidad de los datos y proporciona criterios prácticos para evaluar la fiabilidad y la usabilidad. Estas dimensiones también sirven como base para definir las métricas de calidad de los datos, que las organizaciones utilizan para medir y monitorizar el rendimiento a lo largo del tiempo. Las dimensiones principales incluyen:
La precisión mide en qué medida los datos representan entidades o eventos del mundo real y si se pueden validar con fuentes fiables. Los datos precisos garantizan que las decisiones empresariales se basen en información correcta, lo que reduce el riesgo de errores e ineficiencias. Por ejemplo, el registro preciso de los niveles de inventario permite a las empresas tomar decisiones informadas sobre la reposición de existencias.
Más allá de los beneficios operativos, la precisión de los datos es fundamental para iniciativas estratégicas como el análisis predictivo y la segmentación de clientes. Las inexactitudes en los datos pueden dar lugar a previsiones erróneas, campañas de marketing desalineadas y riesgos de cumplimiento. Las empresas pueden invertir en herramientas de validación de datos, auditorías periódicas y formación de los empleados para minimizar los errores humanos y mantener la confianza en sus activos de datos.
La exhaustividad se centra en si todos los valores de datos requeridos están presentes y rellenados. La falta de datos puede dar lugar a análisis poco fiables y decisiones erróneas. Por ejemplo, que un historial de un paciente careza de campos críticos como la fecha de nacimiento o el historial médico puede comprometer la atención y la adhesión a la normativa.
Los valores de datos incompletos suelen indicar debilidades en los procesos de recopilación de datos o en la integración de sistemas. Para solucionar este problema, las organizaciones pueden implementar alertas automatizadas para los campos que faltan, aprovechar fuentes de datos de terceros para enriquecerlos, supervisar los procesos de introducción de datos y establecer políticas de gobierno de datos que definan la responsabilidad por la integridad de los datos.
Manténgase al día sobre las tendencias más importantes e intrigantes del sector en materia de IA, automatización, datos y mucho más con el boletín Think. Consulte la Declaración de privacidad de IBM.
Mantener la coherencia de los datos en todos los sistemas y fuentes es importante para que los datos sean fiables. Los datos incohernetes, como la diferencia entre el número de teléfono de un cliente entre sistemas de gestión de relaciones con clientes (CRM) y gestión de pedidos, pueden generar confusión, duplicar el trabajo y otros problemas.
La coherencia de los datos también desempeña un papel vital en el cumplimiento normativo y la precisión de los informes. Las discrepancias entre sistemas pueden provocar fallos de auditoría o interpretaciones erróneas de los resultados financieros. Los marcos de gobierno de datos centralizados y las herramientas de integración de datos ayudan a los departamentos a trabajar a partir de los mismos datos, reduciendo el riesgo de errores.
La puntualidad mide si los datos están disponibles cuando se necesitan y refleja la situación más actual. Los datos desfasados o retrasados pueden significar oportunidades perdidas e ineficiencias operativas.
La puntualidad es cada vez más importante en los sectores que cambian rápidamente, como las finanzas, la sanidad y el comercio electrónico, donde las decisiones deben tomarse al instante. Por ejemplo, la actualización de los precios de las acciones en tiempo real en el comercio financiero es esencial para ejecutar a tiempo las decisiones de compra o venta.
Las organizaciones pueden garantizar la puntualidad programando actualizaciones regulares de datos, permitiendo transmisiones en tiempo real para operaciones críticas y monitorizando la latencia en las pipelines de datos. Además, las organizaciones pueden aprovechar tecnologías como las arquitecturas basadas en eventos y los análisis de flujo para mantener la actualidad de los datos. Establecer acuerdos de nivel de servicio (SLA) para la entrega de datos también ayuda a mantener las expectativas y respalda la toma de decisiones ágil.
En el contexto de la calidad de los datos, la validez se refiere a si los datos se ajustan a reglas, formatos y estándares predefinidos. Si los datos infringen estas reglas, se consideran datos no válidos, lo que puede provocar fallos en los procesos, informes inexactos y mucho más.
Más allá del cumplimiento del formato, la validez garantiza que los datos estén alineados con las reglas lógicas y contextuales. Por ejemplo, la fecha de nacimiento no debe estar en el futuro y los códigos de los productos deben coincidir con las especificaciones del catálogo. Las organizaciones refuerzan la validez aplicando normas durante la introducción de datos, utilizando herramientas automatizadas de detección de anomalías y alineando los estándares con la normativa del sector.
La singularidad determina si cada registro es distinto y no duplicado. Mantener la singularidad no solo mejora la precisión de los informes, sino que también aumenta la eficiencia operativa y la confianza del cliente al confirmar que las interacciones se basan en información no redundante. Los registros duplicados pueden causar problemas como métricas infladas, análisis distorsionados, recursos desperdiciados y retrasos en el servicio.
Los datos duplicados a menudo surgen de migraciones del sistema, errores de introducción manual o falta de integración entre plataformas. Para mitigar este problema, las organizaciones pueden implementar algoritmos de cotejo de datos, aplicar políticas de identidad estrictas (reglas que definen cómo se generan los ID de usuario únicos durante la creación de cuentas2) y utilizar paneles de control de calidad de los datos para supervisar las tendencias de duplicación.
Además de estas seis dimensiones, se tienen en cuenta otras como la integridad, la trazabilidad, la disponibilidad, la fiabilidad, la precisión y la relevancia, en función de las necesidades de la empresa.
Como elementos fundamentales de la calidad de los datos, las dimensiones de la calidad de los datos ayudan a las organizaciones a cuantificar, verificar, monitorizar y mejorar la fiabilidad de sus activos de información.
Los datos de baja calidad, como los conjuntos de datos con valores que faltan, duplicados o información obsoleta, pueden dar lugar a modelos sesgados, información incorrecta y resultados poco fiables, lo que se traduce en importantes pérdidas financieras. De hecho, más del 25 % de los empleados de datos y análisis de todo el mundo afirman que la mala calidad de los datos dificulta la alfabetización en datos, lo que cuesta a sus organizaciones más de 5 millones de dólares al año. El 7 % informa de pérdidas de 25 millones de dólares o más, según Forrester.
En una era de IA y machine learning, las dimensiones de calidad de los datos se han vuelto indispensables. Los flujos de trabajo de IA agéntica se están acelerando hacia una adopción masiva y su éxito dependerá de la integridad y precisión de los datos subyacentes.
Un informe reciente del IBM Institute for Business Value, “From AI Projects to Profits”, estima que los flujos de trabajo de IA agéntica se multiplicarán por ocho para 2026. Las organizaciones que no priorizan la calidad de los datos corren el riesgo de socavar la base misma de sus estrategias de IA, así como los análisis, el cumplimiento normativo y la toma de decisiones, convirtiendo posibles avances en costosos contratiempos.
Antes de implementar las dimensiones de calidad de los datos, es útil establecer un marco de calidad de los datos estructurado. Este marco puede combinar políticas, procesos y tecnología para mantener las dimensiones a lo largo del ciclo de vida de los datos. Luego, las organizaciones suelen implementar dimensiones de calidad de los datos mediante tres pasos interconectados:
Las organizaciones suelen empezar por evaluar el estado actual de sus datos para comprender su calidad. Las herramientas de creación de perfiles de datos se utilizan normalmente para identificar problemas como valores que faltan, registros duplicados, formatos no válidos y tipos de datos incorrectos. Esta evaluación proporciona una base para la mejora.
La alineación de las partes interesadas también es clave en esta etapa. Las distintas unidades de negocio dan prioridad a dimensiones diferentes: la puntualidad puede ser lo más importante para los análisis en tiempo real, mientras que la precisión y la validez son fundamentales para el cumplimiento.
A continuación, la definición de los requisitos y los puntos de referencia establece expectativas claras sobre lo que constituye una calidad de datos aceptable, que a menudo se expresan como umbrales o puntuaciones mínimas para cada dimensión. Las organizaciones también pueden definir reglas de calidad de los datos: condiciones o restricciones específicas que los datos deben cumplir para satisfacer estos puntos de referencia. Estas normas sirven de base para las comprobaciones de validación y la aplicación automática más adelante en el proceso.
La calidad de los datos se evalúa a menudo utilizando medidas cuantitativas que indican hasta qué punto los datos cumplen las normas definidas. Las métricas comunes incluyen integridad (porcentaje de campos obligatorios rellenados), precisión (alineación con fuentes fiables) y coherencia (uniformidad en todos los sistemas). Estas métricas se integran en los marcos de gobierno y en los flujos de trabajo operativos para proporcionar una visibilidad continua.
La monitorización continua es esencial porque la calidad de los datos es dinámica; los cambios en los sistemas de origen, los procesos o reglas empresariales pueden introducir nuevos riesgos. La monitorización puede implicar la aplicación de reglas de validación y la ejecución de controles de calidad a lo largo del ciclo de vida de los datos, desde la ingesta hasta la elaboración de informes. Muchas herramientas de calidad de los datos proporcionan paneles de control y alertas que se utilizan para rastrear el cumplimiento y detectar anomalías en tiempo real.
La mejora continua de la calidad de los datos es un principio clave, respaldado por auditorías periódicas, normas actualizadas y bucles de feedback que se adaptan a la evolución de las necesidades empresariales y a los cambios tecnológicos. Las perspectivas de la medición y la monitorización informan de acciones correctivas como la limpieza de datos, el enriquecimiento y la deduplicación. Más allá de solucionar los errores, las organizaciones podrían utilizar estos conocimientos para perfeccionar los procesos de gobierno y mejorar los métodos de recopilación de datos para evitar problemas recurrentes.
Definir y comprender las dimensiones de la calidad de los datos ofrece a las organizaciones numerosas ventajas, entre ellas:
Unos datos precisos y de alta calidad garantizan que el análisis y la inteligencia empresarial proporcionen información que se ajuste a las circunstancias reales. Cuando los procesos de recopilación de datos se estandarizan y validan mediante la evaluación de la calidad de los datos, los responsables de la toma de decisiones pueden confiar en la información y actuar con confianza en consecuencia.
Esta práctica reduce las conjeturas y respalda los modelos predictivos que impulsan la ventaja competitiva. Por ejemplo, las instituciones financieras confían en datos puntuales y precisos de las transacciones para evitar el fraude y mantener alertas en tiempo real, mientras que los fabricantes utilizan datos validados de proveedores e inventarios para evitar retrasos en la producción.
Las dimensiones de calidad de los datos ayudan a las organizaciones a cumplir con los estándares internos de gobierno y los requisitos normativos externos, como auditorías financieras o mandatos sanitarios. La incorporación de controles de cumplimiento en los flujos de trabajo minimiza los riesgos legales y mantiene la transparencia en la forma en que se recopilan, almacenan y utilizan los datos. En el sector sanitario, por ejemplo, las reglas de validación garantizan que los registros de los pacientes sigan los formatos correctos para las fechas de nacimiento y los códigos médicos, lo que reduce el riesgo de recetas incorrectas o denegaciones de reclamaciones.
Implementar dimensiones de calidad de los datos agiliza los flujos de trabajo al reducir las correcciones manuales, la manipulación de duplicados y los reprocesamientos causados por datos inexactos o incompletos. Cuando los datos son precisos, coherentes y oportunos, los equipos pueden automatizar los procesos con confianza, acelerar la toma de decisiones y minimizar los cuellos de botella operativos.
Los datos precisos, completos y coherentes de los clientes, como las direcciones correctas de los clientes, permiten experiencias oportunas y relevantes que aumentan la satisfacción del cliente, mejorando la lealtad y la reputación de la marca. En el comercio minorista, los datos precisos de precios en catálogos de productos y listados online previenen la pérdida de ingresos y la insatisfacción, mientras que en los servicios públicos, los registros ciudadanos sincronizados garantizan que los beneficios se entreguen de forma eficiente.
La detección temprana de anomalías a través de controles de calidad de los datos disminuye la probabilidad de interrupciones comerciales importantes. Dimensiones como la integridad y la trazabilidad ayudan a las organizaciones a supervisar los flujos de trabajo e identificar los problemas antes de que se agraven, reduciendo el riesgo financiero y reputacional. Por ejemplo, los bancos utilizan la deduplicación y validación para evitar transacciones duplicadas, mientras que los gobiernos aplican comprobaciones de exactitud para evitar retrasos en la prestación de servicios críticos como asistencia sanitaria o de vivienda.
Cree y gestione canalizaciones de datos de streaming inteligentes a través de una interfaz gráfica intuitiva, y facilite una integración de datos fluida en entornos híbridos y multinube.
Watsonx.data le permite escalar la analítica y la IA con todos sus datos, residan donde residan, a través de un almacén de datos abierto, híbrido y gobernado.
Desbloquee el valor de los datos empresariales con IBM Consulting, y construya una organización impulsada por conocimientos que ofrezca ventajas empresariales.
1 Beyond accuracy: What data quality means to data consumers. Journal of Management Information Systems. Primavera de 1996
2 Creating an identity policy. IBM Security Identity Manager. 13 de mayo de 2022
